1000 agentes de IA escreveram um chatbot sem rede neural: a taxa de vitórias subiu de 0% para 26%
A Hugging Face apresentou o PyBot, um chatbot sem rede neural: só if-else, expressões regulares e tabelas de consulta. O código, ao longo de mais de 5000 versões, foi escrito por um enxame de mais de 1000 agentes de IA e chegou a 640 mil linhas de Python. No SmolTalkBench, teste em que um LLM atua como juiz e compara as respostas, a taxa de vitórias do bot subiu de 0% para 26%, no nível do modelo pequeno SmolLM-360M-Instruct. Conclusão prática: para tarefas restritas e sem GPU, vale testar essa abordagem.
Processado por IA de TG: @cgevent (Метаверсище и ИИще); editado por Hamidun News
Em geral, um bot sem rede neural é um "armário de respostas prontas": você pergunta "onde está meu pedido?", uma regra dispara; pergunta de outro jeito e recebe "não entendi". A Hugging Face testou até onde esse caminho pode ir quando as regras são escritas não por uma pessoa, mas por um enxame de mais de 1000 agentes de IA.
O resultado é o PyBot: um chatbot de 640 mil linhas de Python sem um único peso de rede neural. No SmolTalkBench, um modelo de linguagem atua como juiz e compara as respostas do bot com as de outros sistemas. O bot vence cerca de 26% das comparações, o mesmo patamar da rede neural pequena SmolLM-360M-Instruct (360 milhões de parâmetros).
O interesse aqui não está em substituir LLMs, e sim na lição: um ciclo longo de "escrever, testar, melhorar" com avaliação automática gera um resultado surpreendentemente forte mesmo com código comum.
O que exatamente foi feito
O PyBot é um bot de conversação sem pesos, sem multiplicação de matrizes e sem transformers. Por dentro, há apenas ramificações if-else, expressões regulares e tabelas de consulta. O bot não foi treinado: não há dataset nem gradiente descendente. Todo o código foi escrito e reescrito por um enxame de agentes.
A escala chama atenção. Segundo os autores, os agentes geraram e avaliaram mais de 5000 versões do bot. No fim, a base de código chegou a 640 mil linhas de código funcional, mais 550 mil linhas de testes que os próprios agentes também escreveram. É o tamanho de um grande produto comercial, não de um script didático.
A execução é simples: basta ter Python 3.8+, sem necessidade de GPU nem de bibliotecas externas, só o comando python -m pybot. Há uma demo no Hugging Face Spaces, então dá para testar sem instalar nada.
O que significam os "26% de vitórias"
No SmolTalkBench, um LLM juiz compara as respostas, e a "taxa de vitórias" é o percentual de comparações em que a resposta do PyBot foi a preferida. No início da evolução, esse índice era 0%; no fim, subiu para 26%. Pela formulação dos autores, isso levou o bot determinístico ao nível do SmolLM-360M-Instruct.
É preciso ler o número com cuidado. Os 26% não significam "o bot é melhor que o modelo", e sim "o bot vence em cerca de um quarto dos casos". A paridade vale especificamente para esse benchmark e para a avaliação feita por outro modelo de linguagem, e um LLM juiz pode preferir determinado estilo de resposta. Com os dados disponíveis, não é possível dizer como o bot lida com perguntas inesperadas de usuários reais. Além disso, nos baseamos em um resumo do projeto e em links para o repositório, a demo e o benchmark; os detalhes de como funcionam o enxame e a seleção de versões são melhor consultados no repositório huggingface/pybot.
O que fazer com isso na prática
Primeiro: feedback mensurável resolve tudo. 5000 iterações e meio milhão de linhas de testes não são um "pedi uma função no chat", mas um laço contínuo de engenharia. Se você constrói agentes para código, comece pelo benchmark e pelos testes: sem eles, o enxame viraria um gerador de lixo.
Segundo: a solução determinística tem vantagens reais, como inicialização instantânea em CPU, comportamento previsível, zero dependências e a possibilidade de ler e depurar cada regra. Para cenários restritos, como um assistente interno, um suporte com conjunto limitado de temas ou dispositivos embarcados, ela pode ser uma alternativa razoável até a um modelo pequeno.
Terceiro: as limitações são evidentes. 640 mil linhas de regras formam um monólito que dificilmente alguém vai querer editar à mão; para expandi-lo, provavelmente será preciso recorrer ao mesmo enxame. E a capacidade das redes neurais de entender formulações desconhecidas não se reproduz barato com regras.
Em resumo: o PyBot não elimina os LLMs, e a piada sobre a Nvidia continua sendo só uma piada. Mas o projeto mostra que a fronteira entre "precisa de um modelo" e "basta código" se desloca quando centenas de agentes escrevem o código com verificação automática. Se a sua tarefa tem uma métrica de qualidade clara, vale avaliar se um enxame de agentes com Python comum não a resolve.
- 18 de nov. de 2026Qwen em dois DGX Spark fica 34–59% mais rápido em tokens por segundo e supera o GLM
- 18 de nov. de 2026Bonsai 2 27B compactado rodou a 17 tokens/s em placa de 2017, e o Qwen3 8B, a 32
- 18 de nov. de 2026Together AI troca megakernels por agentes de IA e acelera Llama 1B em 28% na B200
- 18 de nov. de 2026Placa de mineração de $3000 vira equivalente da A100: de 8 para 80 GB de memória
Perguntas frequentes sobre a notícia
O que exatamente foi feito?
O PyBot é um bot de conversação sem pesos, sem multiplicação de matrizes e sem transformers. Por dentro, há apenas ramificações if-else, expressões regulares e tabelas de consulta. O bot não foi treinado: não há dataset nem gradiente descendente. Todo o código foi escrito e reescrito por um enxame de agentes. A escala chama atenção. Segundo os autores, os agentes geraram e avaliaram mais de 5000 versões do bot.
O que significam os "26% de vitórias"?
No SmolTalkBench, um LLM juiz compara as respostas, e a "taxa de vitórias" é o percentual de comparações em que a resposta do PyBot foi a preferida. No início da evolução, esse índice era 0%; no fim, subiu para 26%. Pela formulação dos autores, isso levou o bot determinístico ao nível do SmolLM-360M-Instruct. É preciso ler o número com cuidado. Os 26% não significam "o bot é melhor que o modelo", e sim "o bot vence em cerca de um quarto dos casos".
O que fazer com isso na prática?
Primeiro: feedback mensurável resolve tudo. 5000 iterações e meio milhão de linhas de testes não são um "pedi uma função no chat", mas um laço contínuo de engenharia. Se você constrói agentes para código, comece pelo benchmark e pelos testes: sem eles, o enxame viraria um gerador de lixo. Segundo: a solução determinística tem vantagens reais, como inicialização instantânea em CPU, comportamento previsível, zero dependências e a possibilidade de ler e depurar cada regra.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.